Обратите внимание, что эта публикация предназначена для образовательных и исследовательских целей, а не для финансового совета.

В последнее время я много читал и исследовал финансовые приложения многочисленных методов и моделей машинного обучения, и в той кроличьей норе, в которую я попал, я наткнулся на это видео на YouTube с канала Компьютерная наука (пожалуйста, ознакомьтесь с их содержание), где они показывают эту модель, написанную на Python, где она берет данные из Yahoo Finance и использует их для подачи модели, чтобы делать прогнозы.

Долговременная кратковременная память — это искусственная рекуррентная нейронная сеть с обратными связями, способная обрабатывать не только отдельные точки данных (например, изображения), но и целые последовательности данных (например, речь или видео). Этот тип нейронной сети используется в прогнозирующих текстовых функциях, в данном случае используется для прогнозирования числовых значений (цен акций).

Интересным фактом о LSTM является то, что DeepMind использовала его в своем программном обеспечении AlphaStar, чтобы конкурировать с профессиональными игроками в Starcraft II. Итак, если вы пытаетесь улучшить свой рейтинг, вам следует взглянуть на это.

16 и 17 августа я запускаю свой код, чтобы делать ежедневные и еженедельные прогнозы по этим акциям, и вот как это было.

Акции: S&P 500, Dow Jones, NASDAQ, Russell 2000, сырая нефть, золото, серебро, BTC, ETH, Google, Tesla, Apple, Microsoft, Meta, Amazon и Cisco.

Как вы можете видеть на этом графике, я сделал 4 прогноза для каждой акции и получил эти результаты по своим прогнозам. Это означает, что ожидалось, что модель даст цену на 2,3% выше реальной.

В шестом столбце — «Среднее расстояние между прогнозами и нулем» — вы можете увидеть среднее значение различий между 0 и прогнозами и фактическими различиями, чтобы увидеть, насколько хорошо работает модель, чем ближе к 0, тем лучше, и в последнем столбце. вы можете увидеть класс модели для каждого запаса.

Лучше всего модель работала с индексами и сырьевыми товарами, такими как золото и серебро. Что бросилось мне в глаза, так это то, что модель показала худшие результаты с модными / технологическими компаниями и криптовалютой, кто бы мог подумать?

Это как-то связано с волатильностью этих активов, как мы можем видеть на следующем графике с их бета-версиями. Есть определенная корреляция с бета-версиями и плохой работой модели.

Это был мой первый раз, когда я работал с архитектурой нейронной сети такого типа, и по большей части я был очень удивлен этими результатами. Если вы хотите проверить код, пожалуйста, не стесняйтесь обращаться ко мне.